AI-Agenten von Grund auf lernen: Ein Plan in 6 Stufen

Der Pfad in sechs Stufen

Um AI-Agenten von Grund auf zu lernen, arbeiten Sie sechs Stufen in der vorgegebenen Reihenfolge durch: Konzepte, Ihre erste Schleife, Tools, Speicher, Schleifendesign und Sicherheit. In jeder Stufe erstellen Sie eine Sache selbst. Wer vorzeitig weiterspringt, kommt am häufigsten deshalb nicht weiter, weil ein Framework genau den Teil verbirgt, den Sie hätten sehen müssen.

Ein AI-Agent ist eine Schleife um ein Sprachmodell, das Tools aufrufen darf. Dieser Satz beschreibt das gesamte Thema. Alles Weitere betrifft die Bestandteile der Schleife, die möglichen Zugriffe der Tools und das Beenden der Schleife, wenn etwas schiefläuft. Wenn Sie die Schleife einer anderen Person erklären können, haben Sie das Wesentliche gelernt. Wenn Sie nur Frameworks aufzählen können, haben Sie es nicht gelernt.

Der folgende Plan setzt voraus, dass Sie durch praktisches Erstellen lernen. Lesen Sie eine Stufe, erstellen Sie die kleine Anwendung, bringen Sie sie absichtlich zum Scheitern und gehen Sie dann weiter. Eine Stufe, die Sie nur gelesen haben, haben Sie noch nicht bearbeitet.

Was Sie tatsächlich vor Stufe 1 benötigen

Die Liste der tatsächlichen Voraussetzungen ist kurz und kürzer, als die meisten Kursseiten vermuten lassen.

• Sie können Python oder TypeScript auf dem Niveau eines Skripts mit fünfzig Zeilen lesen und schreiben.
• Sie arbeiten sicher in einer Linux-Shell: ein Paket installieren, eine Datei bearbeiten, ein Log lesen.
• Sie haben einen API-Schlüssel für ein gehostetes Modell oder eine Maschine, auf der ein lokales Modell ausgeführt werden kann.

Das ist die vollständige Liste. Sie benötigen keine Theorie des maschinellen Lernens und müssen kein Modell trainiert haben. Bei der Arbeit mit Agenten geht es nicht um Gradienten oder Trainingsdaten. Eine Grafikkarte ist nur relevant, wenn Sie das Modell selbst ausführen möchten. Das ist eine separate Fähigkeit, die Sie später anhand von Ollama auf einem VPS zum Self-Hosting eines LLM erwerben können.

Was häufig unterschätzt wird, ist der Teil mit der Shell. Agenten scheitern an Berechtigungen, Pfaden, Umgebungsvariablen und Prozessen, die unbemerkt beendet werden. Wenn ein Stacktrace zu PATH oder ein Dateimodus dazu führt, dass Sie das Terminal schließen, sollten Sie sich zuerst ein Wochenende lang mit den Linux-Grundlagen beschäftigen. Das spart Ihnen später einen Monat.

Stufe 1: Was ein Agent ist und was er nicht ist

Beginnen Sie mit einem API-Aufruf und ohne Schleife. Senden Sie einen Prompt, geben Sie die Antwort aus und sehen Sie sich die Token-Anzahlen in der Antwort an. Damit verstehen Sie die Kosteneinheit und die Latenzeinheit.

Lernen Sie anschließend die Tool-Nutzung kennen. Sie ist die einzige wirklich neue Idee in diesem gesamten Bereich. Sie beschreiben dem Modell eine Funktion mit einem Namen, einer Beschreibung und einem JSON-Schema (JavaScript Object Notation) für ihre Eingaben. Das Modell führt nichts aus. Es antwortet mit einer strukturierten Anfrage: Rufen Sie run_command mit diesen Argumenten auf. Ihr Code führt die Funktion aus, sendet die Ausgabe als Nachricht zurück und fragt das Modell erneut. Das Modell plant, indem es Text liest und Text schreibt. Ihr Code führt die Aktionen aus.

Ein Chatbot endet nach einer Antwort. Ein Agent wiederholt diesen Austausch, bis das Modell keine Tools mehr anfordert. Dieser Wiederholungsprozess ist der gesamte Unterschied. Deshalb unterscheiden sich auch die Fehlermuster. Ein Chatbot gibt einmal eine falsche Antwort. Ein Agent handelt mehrmals auf Grundlage einer falschen Antwort, bevor jemand dies bemerkt.

Stufe 2: Schreiben Sie die Schleife einmal selbst

Beginnen Sie nicht mit einem Framework. Schreiben Sie etwa dreißig Zeilen Python, damit Sie die Struktur selbst bestimmen.

sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-here

import subprocess
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "run_command",
    "description": "Run a read only shell command and return its output.",
    "input_schema": {
        "type": "object",
        "properties": {"command": {"type": "string"}},
        "required": ["command"],
    },
}]

messages = [{"role": "user", "content": "How much disk space is free here?"}]

while True:
    response = client.messages.create(
        model="claude-opus-5",
        max_tokens=4096,
        tools=tools,
        messages=messages,
    )
    if response.stop_reason != "tool_use":
        break
    messages.append({"role": "assistant", "content": response.content})
    results = []
    for block in response.content:
        if block.type == "tool_use":
            done = subprocess.run(
                block.input["command"], shell=True,
                capture_output=True, text=True, timeout=10,
            )
            results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": done.stdout or done.stderr,
            })
    messages.append({"role": "user", "content": results})

print(next(b.text for b in response.content if b.type == "text"))

Führen Sie das Programm mit python3 agent.py aus. Bei einem erfolgreichen Durchlauf wird ein Absatz ausgegeben, der Ihre Dateisysteme und den jeweils freien Speicherplatz nennt. Das liegt daran, dass das Modell nach df -h gefragt hat, Ihr Code den Befehl ausgeführt hat und der zweite Durchlauf die Tabelle in einen Satz umgewandelt hat. Wenn keine Ausgabe erscheint, wurde die Schleife beendet, bevor ein Textblock eingetroffen ist. Fügen Sie print(response.stop_reason) innerhalb der Schleife ein und beobachten Sie, wie sich die Werte ändern.

Führen Sie anschließend absichtlich einen Fehler herbei. Löschen Sie die Zeile tool_use_id und lesen Sie die Fehlermeldung. Ein Tool-Ergebnis ohne passende ID wird von der API abgelehnt. Das ist der häufigste Fehler von Einsteigern. Stellen Sie eine Frage, für die zwei Befehle erforderlich sind, und beobachten Sie, wie die Schleife zweimal ausgeführt wird. Stellen Sie eine unmögliche Frage und beobachten Sie, ob die Schleife aufgibt oder endlos läuft.

Ein Hinweis zu diesem Beispiel: Es übergibt die Modellausgabe mit shell=True direkt an eine Shell. Das ist auf einer Testmaschine, die Sie neu aufsetzen können, vertretbar, aber in allen anderen Umgebungen falsch. Stufe 6 behandelt dieses Problem. Die Konzepte innerhalb der Schleife werden ausführlicher unter Ihren eigenen KI-Agenten auf einem VPS erstellen behandelt.

Stufe 3: Tools, die der Agent noch nicht hatte

Ihr run_command-Tool funktioniert, aber ein echter Agent benötigt Tools, die über das System hinausreichen: ein Ticketsystem, eine Datenbank oder ein Repository. Für jeden Dienst und jeden Agenten einen eigenen Wrapper zu schreiben, ist nicht skalierbar.

Das Model Context Protocol (MCP) ist die Lösung, auf die sich die Branche geeinigt hat. Ein MCP-Server stellt eine Reihe von Tools über einen standardisierten Transport bereit. Jeder MCP-fähige Agent kann sie ohne individuelle Integrationslogik verwenden. Der Referenzserver für das Dateisystem besteht aus einem einzigen Befehl:

npx -y @modelcontextprotocol/server-filesystem /home/you/projects

Dafür muss Node installiert sein. Das Verzeichnisargument ist der einzige Pfad, auf den der Server zugreift. Dieses Beispiel zeigt das Sicherheitsmodell in komprimierter Form: Der Server legt die Grenze fest, nicht das Modell. Wenn Sie einen Client darauf verweisen, kann Ihr Agent Dateien lesen und schreiben, ohne dass Sie diese Funktionen selbst implementieren mussten. Der ordnungsgemäße Betrieb unter einem Dienstkonto sowie die erläuterten Transportoptionen werden unter MCP-Server auf einem VPS für KI-Coding-Agenten betreiben behandelt.

Die wichtigste Erkenntnis dieser Stufe ist, dass das Tool-Design die eigentliche Arbeit darstellt. Eine unklare Beschreibung zwingt das Modell zum Raten. Ein Tool, das vierzigtausend Zeichen zurückgibt, überlastet das Kontextfenster. Ein Tool, das Dinge löschen kann, wird irgendwann Dinge löschen.

Phase 4: Speicher, der größtenteils aus Dateien besteht

Anfänger greifen an dieser Stelle zu einer Vektordatenbank. Tun Sie das zumindest zunächst nicht.

Ein Agent hat zwischen Aufrufen kein Gedächtnis. Sie senden bei jedem Aufruf die gesamte Konversation erneut. Deshalb kostet eine lange Sitzung pro Durchlauf mehr als eine kurze. Der Speicher teilt sich daher in zwei Probleme. Das erste ist, was derzeit in das Kontextfenster passt. Das steuern Sie durch Zusammenfassungen, das Kürzen alter Tool-Ausgaben und das Caching des stabilen Präfixes Ihrer Eingabeaufforderung. Dadurch zahlen Sie nur einen Bruchteil des Preises dafür. Das zweite ist, was einen Neustart übersteht. Das ist die Speicherung.

Für das zweite Problem ist eine einfache Markdown-Datei, die der Agent lesen und schreiben kann, für fast jedes erste Projekt besser als eine Vektordatenbank. Geben Sie ihm eine Datei. Legen Sie das Format fest. Weisen Sie ihn an, diese Datei vor dem Start zu lesen und zu aktualisieren, wenn er etwas lernt. Sie erhalten den größten Teil des Nutzens und können die Datei öffnen, um zu sehen, was Ihr Agent für richtig hält. Verwenden Sie Embeddings und Retrieval erst, wenn die Notizen nicht mehr in das Kontextfenster passen, und nicht vorher.

Stufe 5: Der Regelkreis ist das Produkt

Bis hierhin können Sie einen Agenten erstellen, der funktioniert, solange Sie ihn beobachten. In Stufe 5 geht es darum, dass er auch ohne Ihre Anwesenheit funktioniert.

Vier Fragen entscheiden darüber, ob ein unbeaufsichtigter Agent sicher sich selbst überlassen werden kann. Was löst ihn aus, damit er nicht ohne Anlass ausgeführt wird? Innerhalb welcher Grenze arbeitet er, damit ein Fehler begrenzt bleibt? Wie wird das Ergebnis überprüft? Ein Agent, der seine eigenen Aufgaben bewertet, kommt sonst immer zum richtigen Ergebnis. Welches Budget begrenzt ihn, entweder in Tokens oder in verstrichener Zeit? Diese vier Punkte bewusst zu entwerfen, ist die in Regelkreis-Engineering und der Umfang dieser Definition beschriebene Disziplin.

Die Übung: Nehmen Sie Ihren Agenten aus Stufe 2, geben Sie ihm eine Aufgabe, die vier oder fünf Schritte erfordert, und fügen Sie eine harte Iterationsgrenze hinzu. Entfernen Sie anschließend die Grenze und beobachten Sie, wie sich eine unbegrenzte Schleife auf Ihre Token-Kosten auswirkt. Führen Sie das einmal mit einem kleinen Budget durch, damit es nicht versehentlich mit einem großen Budget geschieht.

Stufe 6: Sicherheit, Secrets und Kosten

Diese Stufe ist nicht optional. Sie steht nur deshalb am Ende, weil Sie das Risiko erst erkennen können, nachdem Sie etwas Funktionierendes erstellt haben.

Führen Sie den Agenten unter einem eigenen Benutzer ohne privilegierte Rechte aus, niemals als root und niemals unter Ihrem eigenen Benutzerkonto. Dadurch beschränkt sich der Schadensradius auf ein Verzeichnis statt auf den gesamten Rechner. Halten Sie Zugangsdaten vom Kontext des Modells fern. Alles, was sich im Kontextfenster befindet, kann über einen Tool-Aufruf wieder ausgegeben werden. Die Lösung sind kurzlebige Tokens, die hinter einem Helper begrenzt werden, wie in Secrets von Ihren AI-Agenten fernhalten beschrieben. Legen Sie eine harte Ausgabenobergrenze fest. Eine unbeaufsichtigte Schleife verursacht bei jeder Iteration Kosten, ohne dass jemand sie überwacht. Die Begrenzungen und Batch-Verarbeitung, die das kontrollierbar machen, werden in AI-Agentenkosten auf einem dauerhaft laufenden VPS kontrollieren beschrieben.

Für die Kosten ist eine konkrete Zahl hilfreich. Im Juli 2026 berechnet Claude Opus 5 $5 pro Million Eingabetokens und $25 pro Million Ausgabetokens. Ein gesprächiger Agent, der eine wachsende Unterhaltung erneut übermittelt, kann bei einer einzelnen Aufgabe mehrere hunderttausend Tokens verarbeiten. Prompt-Caching und ein kleineres Modell für Routineaufgaben verändern diese Rechnung deutlich stärker als jede Anpassung am Prompt.

Prompt-Injection gehört ebenfalls hierher. Wenn Ihr Agent eine Webseite, einen Issue-Tracker oder einen Posteingang liest, schreibt auch der Verfasser dieses Textes Anweisungen für Ihren Agenten. Die Abwehr besteht nicht in einem raffinierteren System-Prompt. Entscheidend ist die Begrenzung der Berechtigungen. Ein Agent, der kein Repository löschen kann, kann auch nicht dazu gebracht werden, eines zu löschen.

Welche Lernroute sollten Sie verfolgen?

Wählen Sie einen Lehrplan aus und schließen Sie ihn ab, statt sechs davon nur anzutesten. Das Microsoft-Repository ai-agents-for-beginners ist das vollständigste kostenlose Angebot. Es umfasst einen Kurs mit achtzehn Lektionen und hatte im Juli 2026 mehr als 70,000 Sterne. Außerdem passt es gut zu den oben beschriebenen Phasen. Übersichten über aktuelle Agent-Repositories sind nützlich, um einen Überblick über vorhandene Projekte zu erhalten. Als Lehrplan eignen sie sich deutlich weniger, weil eine nach Sternen sortierte Liste die Popularität und nicht die Lernreihenfolge abbildet.

Wenn Sie ein reales Projekt zum Üben benötigen, ist ein Coding-Agent das beste erste Ziel. Das Feedback erfolgt unmittelbar, die Werkzeuge sind klar erkennbar und Fehler lassen sich mit geringem Aufwand rückgängig machen. Einen Coding-KI-Agent auf einem VPS betreiben führt Sie durch ein vollständiges Beispiel. Wenn Sie lieber funktionierende Systeme untersuchen möchten, statt sie von Grund auf zu erstellen, zeigt der Vergleich die besten selbst gehosteten KI-Agenten, wie mehrere Projekte denselben Ablauf unterschiedlich umsetzen.

Wie lange dauert das?

Wer bereits programmiert, schafft die Stufen 1 und 2 an einem Abend. Stufe 3 dauert ein Wochenende. Die meiste Zeit entfällt dabei auf die Beschreibung der Tools und nicht auf das Protokoll. Für die Stufen 4 und 5 sind einige Wochen praktischer Nutzung erforderlich. Denn nur durch die Beobachtung, wie Ihr Agent etwas vergisst, lernen Sie, was er vergisst. Stufe 6 wird im eigentlichen Sinn nie abgeschlossen. Jede neue Fähigkeit, die Sie ihm geben, macht eine erneute Überprüfung erforderlich.

Zwei Monate mit regelmäßigem Arbeiten an den Abenden reichen den meisten aus, um einen funktionsfähigen, klar begrenzten und nützlichen Agenten zu entwickeln. Wer ein Jahr benötigt, hat meist weitergelesen, statt zu bauen.

FAQ

Muss ich Machine Learning beherrschen, um einen AI-Agenten zu entwickeln?

Nein. Beim Entwickeln eines Agenten rufen Sie ein Modell über eine API auf und verbinden dessen Tool-Anfragen mit echten Funktionen. Das ist gewöhnliche Anwendungsprogrammierung. Mit Training, Gradienten oder Datensätzen kommen Sie nicht in Berührung. Ob Ihr Agent funktioniert, hängt vor allem vom Schema-Design der Tools, von der Fehlerbehandlung und von Linux-Berechtigungen ab. Die Theorie des Machine Learning wird erst relevant, wenn Sie ein Modell fine-tunen möchten. Das ist eine andere Aufgabe mit anderen Voraussetzungen.

Sollte ich mit einem Framework wie LangChain oder CrewAI beginnen?

Schreiben Sie zuerst eine einfache Schleife ohne Framework und verwenden Sie anschließend ein Framework. Ein Framework ersetzt die 30 Zeilen aus Phase 2 durch ein Konfigurationsobjekt. Das ist praktisch, sobald Sie wissen, was dadurch ersetzt wird, und verwirrend, wenn Sie es noch nicht wissen. Wenn sich Ihr Agent fehlerhaft verhält, müssen Sie die Nachrichtenliste und die Tool-Ergebnisse direkt nachvollziehen. Das ist deutlich schwieriger, wenn Sie diese Komponenten noch nie gesehen haben. Nach einer eigenen Schleife spart Ihnen ein Framework Zeit, statt den Mechanismus zu verbergen.

Wie viel kostet es, AI-Agenten zu lernen?

Weniger, als die meisten erwarten, wenn Sie die Kosten begrenzen. Ein gehosteter API-Schlüssel und ein kleiner VPS decken alles in diesen 6 Phasen ab. Das eigentliche Risiko ist nicht der Stundensatz. Es ist eine unbeschränkte Schleife, die während Ihrer Abwesenheit jede Iteration abrechnet. Legen Sie am ersten Tag ein festes Ausgabenlimit für Ihr API-Konto fest, begrenzen Sie jede von Ihnen geschriebene Schleife auf eine maximale Zahl von Iterationen und verwenden Sie für Routineaufgaben ein günstigeres Modell. Wenn Sie das Modell lokal ausführen, entfallen die Token-Kosten. Dafür benötigen Sie geeignete Hardware.

Was ist der Unterschied zwischen einem AI-Agenten und einem Chatbot?

Ein Chatbot antwortet einmal. Ein Agent wiederholt einen Ablauf: Das Modell fordert ein Tool an, Ihr Code führt es aus, das Ergebnis wird zurückgegeben und das Modell entscheidet, was als Nächstes geschehen soll. Durch diese Wiederholung kann ein Agent eine Aufgabe in mehreren Schritten abschließen. Deshalb benötigen Agenten auch Grenzen, die Chatbots nicht brauchen. Eine falsche Antwort eines Chatbots ist ein fehlerhafter Absatz. Eine falsche Antwort eines Agenten ist ein fehlerhafter Absatz plus alles, was der Agent daraufhin ausgeführt hat.